統計的因果推論の理論と実践
Chapter10 傾向スコア
ML輪読会 2023/2/25 担当：寺澤

傾向スコアに入る前に
ベストな因果推論は実験研究(ex:ランダム化比較検証)
=> なぜなら処置群と統制群で共変量の分布が同じだから
Y(0) 年収 ・・・
男女
比
年齢
平均 10 450 ・・・ 0.51 36
標準
偏差
5 60 ・・・ 0.5 10
中央
値
10.1 370 ・・・ 0 40
Y(1) 年収 ・・・
男女
比
年齢
平均 15 450 ・・・ 0.51 36
標準
偏差
5.2 60 ・・・ 0.5 10
中央
値
12 370 ・・・ 0 40
<統制群> <処置群>

傾向スコアに入る前に
ベストな因果推論は実験研究(ex:ランダム化比較検証)
=> なぜなら処置群と統制群で共変量の分布が同じだから
Y(0) 年収 ・・・
男女
比
年齢
平均
10 450 ・・・ 0.51 36
標準
偏差
5 60 ・・・ 0.5 10
中央
値
10.1 370 ・・・ 0 40
Y(1) 年収 ・・・
男女
比
年齢
平均
15 450 ・・・ 0.51 36
標準
偏差
5.2 60 ・・・ 0.5 10
中央
値
12 370 ・・・ 0 40
<統制群> <処置群>
期待値の差 = 平均処置効果(ATE)
共変量を無視 共変量を無視

傾向スコアに入る前に
しかし、実験研究(=無作為な処置の割り付け)は実現が難しい
=> そこで、ある条件で無作為実験を再現する(=準実験)
=> つまり、統制群と処理群の共分散の分布をそろえる
=> その条件の一つが傾向スコア

傾向スコアに入る前に
しかし、実験研究(=無作為な処置の割り付け)は実現が難しい
=> そこで、ある条件で無作為実験を再現する(=準実験)
=> つまり、統制群と処理群の共変量の分布をそろえる
=> その条件の一つが傾向スコア

傾向スコアはバランシングスコアの一種
バランシングスコア
=>共変量Xの関数b(X)が与えられたときのXの条件付き分布
が、処置群と統制群において同じとなる関数である。

傾向スコアはバランシングスコアの一種
バランシングスコア
=>共変量Xの関数b(X)が与えられたときのXの条件付き分布
が、処置群と統制群において同じとなる関数である。

傾向スコアはバランシングスコアの一種
被験者 処置 結果 X1
2 0 55 70
3 0 59 70
4 1 77 73
5 0 73 73
8 1 81 77
9 1 77 77
10 0 72 78
11 0 65 78
12 1 81 78
19 1 97 92
20 1 81 92
最もシンプル(かつ詳細)なバ
ランシングスコアはXそれ自体
である。
=> 式は
=> Xが1変量の場合・・・

傾向スコアはバランシングスコアの一種
最もシンプル(かつ詳細)なバ
ランシングスコアはXそれ自体
である。
=> 式は
=> Xが1変量の場合・・・
被験者 処置 結果 X1
2 0 55 70
3 0 59 70
4 1 77 73
5 0 73 73
8 1 81 77
9 1 77 77
10 0 72 78
11 0 65 78
12 1 81 78
19 1 97 92
20 1 81 92
・処置群:(77+81)/2=79
・統制群:(73+65)/2=69
・ATE : 79-69=10
Xが同じ
Xが同じ

傾向スコアはバランシングスコアの一種
しかし、現実の共変量Xは多変量
=>そこで、多変量Xを代表する関数b(X)を導入する
被験者 処置 結果 X1 X2 … Xn
2 0 55 70 83 … 41
3 0 59 70 92 … 61
4 1 77 73 88 … 54
5 0 73 73 41 … 51
8 1 81 77 66 … 51
被験者 処置 結果 b(X)
2 0 55 70
3 0 59 70
4 1 77 73
5 0 73 73
8 1 81 77
Xを
抽象化

傾向スコアはバランシングスコアの一種
しかし、現実の共変量Xは多変量
=>そこで、多変量Xを代表する関数b(X)を導入する
被験者 処置 結果 X1 X2 … Xn
2 0 55 70 83 … 41
3 0 59 70 92 … 61
4 1 77 73 88 … 54
5 0 73 73 41 … 51
8 1 81 77 66 … 51
被験者 処置 結果 b(X)
2 0 55 0.41
3 0 59 0.80
4 1 77 0.89
5 0 73 0.12
8 1 81 0.55
Xを
抽象化

傾向スコア
傾向スコアとは
=> 共変量Xで条件付けときに、処置に割り付けられる確率
=> 傾向スコアは、最も荒いバランシングスコア
=> (最も細かいバランシングスコアはXそれ自体)

傾向スコア
傾向スコアとは
=> 共変量Xで条件付けときに、処置に割り付けられる確率
=> 傾向スコアは、最も荒いバランシングスコア
=> (最も細かいバランシングスコアはXそれ自体)

傾向スコア
傾向スコアの値が似た個
体で分けてみよう。
ID y0t y1t t1 y x1 x2 x3 傾向スコア
1 55 70 0 55 70 75 55 0.05
2 63 74 0 63 66 76 75 0.12
3 59 69 0 59 70 60 73 0.19
4 69 73 1 73 79 74 60 0.26
5 65 79 0 65 78 79 64 0.28
6 69 79 0 69 75 78 73 0.34
7 73 78 0 73 73 79 78 0.35
8 66 77 0 66 74 72 79 0.41
9 71 77 1 77 73 76 82 0.43
10 72 81 0 72 78 76 74 0.48
11 62 77 1 77 77 66 77 0.5
12 68 81 1 81 78 83 79 0.57
13 70 81 1 81 77 75 83 0.62
14 79 93 1 93 83 89 88 0.86
15 75 85 1 85 84 81 90 0.9
16 75 89 0 75 88 78 82 0.9
17 74 81 1 81 92 77 73 0.9
18 80 91 1 91 87 82 86 0.91
19 82 85 1 85 91 84 85 0.95
20 91 97 1 97 92 102 101 0.99

傾向スコア
傾向スコアの値が似た個
体で分けてみよう。
ID y0t y1t t1 y x1 x2 x3 傾向スコア
1 55 70 0 55 70 75 55 0.05
2 63 74 0 63 66 76 75 0.12
3 59 69 0 59 70 60 73 0.19
4 69 73 1 73 79 74 60 0.26
5 65 79 0 65 78 79 64 0.28
6 69 79 0 69 75 78 73 0.34
7 73 78 0 73 73 79 78 0.35
8 66 77 0 66 74 72 79 0.41
9 71 77 1 77 73 76 82 0.43
10 72 81 0 72 78 76 74 0.48
11 62 77 1 77 77 66 77 0.5
12 68 81 1 81 78 83 79 0.57
13 70 81 1 81 77 75 83 0.62
14 79 93 1 93 83 89 88 0.86
15 75 85 1 85 84 81 90 0.9
16 75 89 0 75 88 78 82 0.9
17 74 81 1 81 92 77 73 0.9
18 80 91 1 91 87 82 86 0.91
19 82 85 1 85 91 84 85 0.95
20 91 97 1 97 92 102 101 0.99

傾向スコアの定理
・定理１(バランシング)
=> 処置の割り付けTと観測された共変量Xは傾向スコアe(X)
が与えられた時、条件付き独立である。
=> すなわち、傾向スコアe(X)が同じ値であれば、処置群と統制群
における多変量の共変量Xの分布は同じである。

傾向スコアの定理
・定理１(バランシング)
=> 処置の割り付けTと観測された共変量Xは、傾向スコアe(X)
が与えられたとき条件付き独立である。
=> すなわち、傾向スコアe(X)が同じ値であれば、処置群と統制群
における多変量の共変量Xの分布は同じである。

傾向スコアの定理
・定理１(バランシング)の直感的理解
定期預金の申し込み予測に関するデータ
https://www.kaggle.com/datasets/kukuroo3/bank-marketing-response-predict
<元データ(傾向スコアでの条件付けなし )>
データ使用: 定期預金の申し込みに関するデータ
処置の割付け: 職業(technicain)かどうか
傾向スコアe(X): 職業(technicain)の確率

傾向スコアの定理
・定理１(バランシング)の直感的理解
定期預金の申し込み予測に関するデータ
https://www.kaggle.com/datasets/kukuroo3/bank-marketing-response-predict
<傾向スコアe(x) = 0.20で条件付けたデータ >
データ使用: 定期預金の申し込みに関するデータ
処置の割付け: 職業(technicain)かどうか
傾向スコアe(X): 職業(technicain)の確率
傾向スコアe(X)が0.20のデータのヒストグラム
を見ると、共変量Xの分布が処置群と統制群でそ
こまで変わらないことがわかる。
処置
傾向スコア

傾向スコアの定理
・定理2(条件付き独立性)
=> 傾向スコアe(X)が与えられれば、潜在的結果変数{Y(1), Y(0)}と
割り付け変数Tは条件付き独立。
=> すなわち、傾向スコアe(X)が同じ値であれば、処置群と統制群
への割り付けは無作為。

傾向スコアの定理
・定理2(条件付き独立性)
=> 傾向スコアe(X)が与えられれば、潜在的結果変数{Y(1), Y(0)}と
割り付け変数Tは条件付き独立。
=> すなわち、傾向スコアe(X)が同じ値であれば、処置群と統制群
への割り付けは無作為。

傾向スコアの定理
2.条件付き独立の直感的理解
e(X)
e1 e2 e3
Y
処置群
統制群
0
処置群
統制群
処置群
統制群
処置の割り付けと潜在的結果変数
{Y(0),Y(1)}が独立でない場合を
考える。
=> 例えば、Y(0)が低いものだけ
に処理を割り付けた場合・・・
τi
τi
τi
τi
τi
τi
<潜在的結果変数:個体処置効果τは一定とする>

傾向スコアの定理
2.条件付き独立の直感的理解
e(X)
e1 e2 e3
Y
処置群
統制群
0
処置群
統制群
処置群
統制群
<実測値>
処置の割り付けと潜在的結果変数
{Y(0),Y(1)}が独立でない場合を
考える。
=> 例えば、Y(0)が低いものだけ
に処理を割り付けた場合・・・
観測されない

傾向スコアの定理
2.条件付き独立の直感的理解
e(X)
e1 e2 e3
Y
処置群
統制群
0
処置群
統制群
処置群
統制群
<実測値>
e(X)
e1 e2 e3
Y
処置群
統制群
0
処置群
統制群
処置群
統制群
<潜在的結果変数>
ATE
つまり、傾向スコアで条件付けた場合の割り付けは、Y(0)の値と独立でなければならない

傾向スコアの定理
・前提条件1:(無交絡性 unconfoundedness)
=> 共変量Xを条件としたとき、処置の割付けを表す変数T
が、潜在的結果変数{Y(0), Y(1)}に依存しない

傾向スコアの定理
・前提条件2:(条件付き正値性 conditional positivity)
=> 共変量Xを条件とした場合、どの個体も処置群または
統制群に割り付けられる確率が0または１でない.
=> どの個体も処理群もまたは統制群に割付けられる可能性
がある

傾向スコアの定理
・前提条件1, 2を満たさない場合は
=> 操作変数法(13章)
=> または、回帰不連続デザイン(15章)へ

傾向スコアのモデル化
傾向スコアとは、
=> 共変量Xで条件付けときに、処置に割り付けられる確率
=> どうやって確率を出すか？
ロジスティック回帰、プロビットモデル、
一般化加法モデル、ニューラルネットワーク、分類木モデル

傾向スコアのモデル化
傾向スコアとは、
=> 共変量Xで条件付けときに、処置に割り付けられる確率
=> どうやって確率を出すか？
ロジスティック回帰、プロビットモデル、
一般化加法モデル、ニューラルネットワーク、分類木モデル

傾向スコアのモデル化
ロジスティック回帰モデル
=> 複数の説明変数から、2値の生起確率を予測するモデル
(別表記)

傾向スコアのモデル化
ロジスティック回帰モデル
=> 処置Tは、生起確率πのベルヌーイ分布に従うと仮定
=> 一般線形モデル
=> Tをロジット変換

傾向スコアのモデル化
ロジスティック回帰モデル
=> 処置Tは、生起確率πのベルヌーイ分布に従うと仮定
=> 一般線形モデル
=> Tをロジット変換
オッズ比

傾向スコアのモデル化

傾向スコアのモデル化
では、傾向スコアを使ってどのように平均処置効果(ATE)を推
定するのか？
11章に続く・・・